IMPLEMENTASI YOLOv8n (You Only Look Once) UNTUK DETEKSI PENYAKIT DAUN PISANG SECARA REAL-TIME

MIRANDA, MIRANDA (2025) IMPLEMENTASI YOLOv8n (You Only Look Once) UNTUK DETEKSI PENYAKIT DAUN PISANG SECARA REAL-TIME. Skripsi thesis, UPN Veteran Yogyakarta.

[thumbnail of Cover Depan.pdf] Text
Cover Depan.pdf

Download (250kB)
[thumbnail of Abstrak.pdf] Text
Abstrak.pdf

Download (272kB)
[thumbnail of Lembar Pengesahan Pembimbing_Miranda_123210026.pdf] Text
Lembar Pengesahan Pembimbing_Miranda_123210026.pdf

Download (402kB)
[thumbnail of Lembar Pengesahan Penguji_Miranda_123210026.pdf] Text
Lembar Pengesahan Penguji_Miranda_123210026.pdf

Download (454kB)
[thumbnail of Daftar isi.pdf] Text
Daftar isi.pdf

Download (343kB)
[thumbnail of Daftar Pustaka.pdf] Text
Daftar Pustaka.pdf

Download (274kB)
[thumbnail of Proposal Skripsi Miranda_123210026.pdf] Text
Proposal Skripsi Miranda_123210026.pdf
Restricted to Repository staff only

Download (6MB)

Abstract

Pisang merupakan salah satu komoditas hortikultura yang memiliki nilai ekonomi
tinggi dan berperan penting dalam mendukung ketahanan pangan nasional. Namun,
produktivitas pisang sering mengalami gangguan akibat berbagai penyakit daun yang
disebabkan oleh jamur, antara lain Cordana, Pestalotiopsis, Sigatoka, dan Fusarium. Deteksi
penyakit secara dini sangat diperlukan guna mencegah penyebaran lebih luas serta
meminimalisir kerugian. Penelitian ini bertujuan untuk mengembangkan sistem deteksi
penyakit daun pisang secara real-time menggunakan algoritma YOLOv8n (You Only Look
Once versi nano).
Metode penelitian yang digunakan meliputi tahap pengumpulan data dari platform
Kaggle, pra-pemrosesan data, pelabelan, augmentasi, pelatihan model, serta evaluasi performa
dan implementasi sistem berbasis web. Model dilatih menggunakan dua skenario epoch, yaitu
50 dan 75 epoch. Berdasarkan hasil evaluasi, model terbaik diperoleh pada 50 epoch dengan
hasil precision sebesar 82,4%, recall sebesar 78,5%, mAP50 sebesar 83,4%, dan mAP50-95
sebesar 61,7%. Sistem yang dikembangkan mampu mendeteksi lebih dari satu jenis penyakit
daun dalam satu frame, baik pada citra, video, maupun kamera eksternal secara real-time.
Berdasarkan hasil pengujian, sistem memiliki kinerja akurasi pengujian sebesar 82,83%
dengan pengujian optimal pada jarak 40 cm, dan mampu memberikan hasil deteksi yang cukup
akurat serta responsif. Meskipun demikian, terdapat beberapa kendala yang memengaruhi
akurasi sistem, seperti kesamaan warna antara objek dan latar belakang serta pengujian pada
jarak yang ekstrem. Secara keseluruhan, penelitian ini menunjukkan bahwa algoritma
YOLOv8n efektif diterapkan dalam sistem deteksi penyakit daun pisang dan dapat
dikembangkan lebih lanjut untuk mendukung sektor pertanian berbasis teknologi digital.
Kata Kunci: YOLOv8n, deteksi penyakit, daun pisang, real-time, deep learning

Item Type: Tugas Akhir (Skripsi)
Additional Information: MIRANDA (Penulis-123210026) ; Agus Sasmito A. (Pembimbing)
Uncontrolled Keywords: YOLOv8n, deteksi penyakit, daun pisang, real-time, deep learning
Subjek: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Teknik Industri > (S1) Informatika
Depositing User: A.Md Eko Suprapti
Date Deposited: 01 Aug 2025 06:38
Last Modified: 01 Aug 2025 06:38
URI: http://eprints.upnyk.ac.id/id/eprint/43373

Actions (login required)

View Item View Item